bigcode/the-stack-smol-xs

该数据集是[the-stack](https://huggingface.co/datasets/bigcode/the-stack)数据集的一个小子集，包含87种编程语言，每种语言从原始数据集中随机抽取了100个样本用于可视化。

原始信息汇总

数据集概述

数据集描述

• 来源：A small subset of the-stack dataset.
• 特点：包含87种编程语言，每种语言有100个随机样本，用于可视化。

语言

• 编程语言数量：87种
• 具体语言：包括ada, agda, alloy, antlr, applescript, assembly, augeas, awk, batchfile, bison, bluespec, c, c++, c-sharp, clojure, cmake, coffeescript, common-lisp, css, cuda, dart, dockerfile, elixir, elm, emacs-lisp,erlang, f-sharp, fortran, glsl, go, groovy, haskell,html, idris, isabelle, java, java-server-pages, javascript, julia, kotlin, lean, literate-agda, literate-coffeescript, literate-haskell, lua, makefile, maple, markdown, mathematica, matlab, ocaml, pascal, perl, php, powershell, prolog, protocol-buffer, python, r, racket, restructuredtext, rmarkdown, ruby, rust, sas, scala, scheme, shell, smalltalk, solidity, sparql, sql, stan, standard-ml, stata, systemverilog, tcl, tcsh, tex, thrift, typescript, verilog, vhdl, visual-basic, xslt, yacc, zig.

数据集结构

• 加载方式：可通过指定编程语言加载数据集，默认加载Python语言。

• 示例：加载Go语言的代码如下： python from datasets import load_dataset load_dataset("bigcode/the-stack-smol-xs", "go")

• 数据集结构：包含训练集，其特征包括content, lang, size, ext, max_stars_count, avg_line_length, max_line_length, alphanum_fraction，每种语言的样本数为100。